[논문 리뷰] Enhanced Covers of Regular & Indeterminate Strings using Prefix Tables

Ali Alatabbi, Abir Islam외 3명|arXiv (Cornell University)|2015. 01. 01.

Algorithms and Data Compression참고 문헌 10인용 수 3

한 줄 요약

이 논문은 문자열의 최소 향상 커버(MEC) 배열을 계산하기 위한 새로운 프리픽스 테이블 기반 알고리즘을 제안한다. 이 알고리즘은 이전의 보더 배열 기반 방법에 비해 최적의 O(n) 평균 시간 복잡도를 달성하면서도 공간 효율성이 크게 향상되었다. 이 방법은 정규 문자열 뿐만 아니라 비결정적 문자열(예: 암묵적인 뉴클레오티드를 가진 DNA 서열)에 대해서도 효율적으로 향상 커버를 계산할 수 있으며, 비결정적 매칭 관계에서 프리픽스 테이블의 강건성을 활용한다.

ABSTRACT

A \itbf{cover} of a string $x = x[1..n]$ is a proper substring $u$ of $x$ such that $x$ can be constructed from possibly overlapping instances of $u$. A recent paper \cite{FIKPPST13} relaxes this definition --- an \itbf{enhanced cover} $u$ of $x$ is a border of $x$ (that is, a proper prefix that is also a suffix) that covers a {\it maximum} number of positions in $x$ (not necessarily all) --- and proposes efficient algorithms for the computation of enhanced covers. These algorithms depend on the prior computation of the \itbf{border array} $\beta[1..n]$, where $\beta[i]$ is the length of the longest border of $x[1..i]$, $1 \le i \le n$. In this paper, we first show how to compute enhanced covers using instead the \itbf{prefix table}: an array $\pi[1..n]$ such that $\pi[i]$ is the length of the longest substring of $x$ beginning at position $i$ that matches a prefix of $x$. Unlike the border array, the prefix table is robust: its properties hold also for \itbf{indeterminate strings} --- that is, strings defined on {\it subsets} of the alphabet $\Sigma$ rather than individual elements of $\Sigma$. Thus, our algorithms, in addition to being faster in practice and more space-efficient than those of \cite{FIKPPST13}, allow us to easily extend the computation of enhanced covers to indeterminate strings. Both for regular and indeterminate strings, our algorithms execute in expected linear time. Along the way we establish an important theoretical result: that the expected maximum length of any border of any prefix of a regular string $x$ is approximately 1.64 for binary alphabets, less for larger ones.

연구 동기 및 목표

• 문자열의 최소 향상 커버(MEC) 배열을 계산하기 위한 더 효율적이고 공간 절약형 알고리즘을 개발하기 위해.
• 기존의 보더 배열이 비결정적 매칭에서 비이행성 때문에 실패하는 바탕으로, 향상 커버 계산을 비결정적 문자열로 확장하기 위해.
• 특히 생물정보학적 맥락(예: DNA 서열 분석)에서 비결정적 문자열을 다룰 때, 보더 배열보다 프리픽스 테이블이 더 강건함을 입증하기 위해.
• 랜덤 문자열에서의 평균 최대 보더 길이에 대한 이론적 경계를 설정하여, 이 값이 이진 알파벳 기준 약 1.64로 수렴함을 보여주기 위해.

제안 방법

• 이전 연구에서 사용된 보더 배열 β 대신, 프리픽스 테이블 π[i] = 위치 i에서 시작하는 접두사와 일치하는 가장 긴 부분문자열의 길이를 사용한다.
• 비결정적 문자열에서 비이행성 매칭 관계에 강건한 프리픽스 테이블 π를 이전 연구에서 사용된 보더 배열 β로 대체한다.
• 길이 q인 접두사 중 커버가 없는 가장 긴 것을 식별하기 위해 최대 커버 없음 배열 MNC[q]를 도입한다. 이는 커버 배열 γ를 통해 계산된다.
• O(n) 시간 내에 B = max(π[2..n])인 최대 보더 길이를 계산하기 위한 사전 처리 단계를 수행한다.
• MNC와 프리픽스 테이블 성질을 활용한 수정된 커버 탐지 절차를 적용하여 MEC 및 CMEC 배열을 효율적으로 계산한다.
• 부분 단어에 대해 사전 계산된 프리픽스 테이블과 루트 커버 모델을 사용하여 알고리즘을 비결정적 문자열로 확장한다.

실험 결과

연구 질문

• RQ1 보더 배열을 프리픽스 테이블로 대체함으로써, 향상 커버 계산의 효율성과 공간 절약성을 향상시킬 수 있는가?
• RQ2 비결정적 문자열에서 비이행성 매칭 관계가 존재하는 맥락에서, 프리픽스 테이블이 정확성과 유용성을 유지하는가?
• RQ3 랜덤 문자열에서 어떤 보더의 평균 최대 길이는 얼마이며, 알파벳 크기에 따라 어떻게 변화하는가?
• RQ4 프리픽스 테이블을 사용하여 정규 및 비결정적 문자열 모두에서 MEC 배열을 선형 평균 시간 내에 계산할 수 있는가?
• RQ5 실제로 프리픽스 테이블 기반 알고리즘과 보더 배열 기반 알고리즘 간의 성능은 어떻게 비교되는가?

주요 결과

• 제안된 프리픽스 테이블 기반 알고리즘은 MEC 및 CMEC 배열을 O(n) 평균 시간과 Θ(log n)의 추가 공간으로 계산하며, 이는 이전 방법의 O(n log n) 최악의 시간 복잡도에 비해 크게 향상되었다.
• 랜덤 이진 문자열에서의 평균 최대 보더 길이는 n → ∞일 때 약 1.64로 수렴하며, 알파벳 크수가 클수록 이 값은 더 낮아진다.
• 프리픽스 테이블은 비이행성 매칭 관계에서 강건하여, 보더 배열이 실패하는 비결정적 문자열에서 정확한 향상 커버 계산이 가능하다.
• 비결정적 문자열의 경우, 평균 보더 수는 상수(약 29) 이하로 제한되며, 이는 향상 커버 계산의 O(n) 평균 시간 복잡도를 가능하게 한다.
• 실험적 평가 결과, 프리픽스 기반 알고리즘(ECP)은 속도와 확장성 면에서 보더 기반 알고리즘(ECB)을 능가하며, 길이 2에서 30까지의 모든 이진 문자열에서 선형 행동을 보였다.
• 프리픽스 테이블의 압축된 POS/LEN 표현을 사용함으로써 알고리즘을 추가로 최적화할 수 있으며, 실질적인 공간 사용량을 줄일 수 있다.